MIT Technology Review Insights × Atlan 联合调研｜德勤、BCG、埃森哲、IDC、Gartner 多源数据印证。

问一：这份调研说了什么——全员上AI与16%的落差

10月28日，MIT Technology Review Insights（麻省理工科技评论洞察，MIT Technology Review旗下定制内容研究部门）发布题为《Creating AI value with enterprise context》（以企业上下文创造AI价值）的调研报告。报告由该部门与数据治理厂商Atlan合作完成，核心议题是「企业大脑」（company brain）如何支撑更准确、更具成本效益的AI与自主智能体。需要说明的是，该内容由Insights定制内容部门出品，并非MIT Technology Review编辑部报道，研究由人类撰写完成。

问二：价值光谱如何分布——16%／40%／21%／23%四档全景

这次调研给出的第一个核心事实，是企业AI普及率与价值兑现率之间的巨大落差：受访企业已100%在不同程度上使用AI，但只有16%的企业从AI部署中获得了变革性价值（transformative value）。价值分布呈现明显的光谱结构——占比最大的一档（40%）表示AI在特定任务或特定团队中带来中等收益，21%的企业报告有意义收益，另有23%的企业收益微乎其微甚至为零。换言之，八成以上企业的价值兑现仍停留在局部或浅层。

这一「少数兑现、多数徘徊」的格局并非孤例。波士顿咨询公司（BCG）AI Radar 2026调研显示，82%的CEO对AI投资回报的乐观程度高于一年前，但以降本与增收衡量，仅6%的公司看到了实质价值，60%的企业投入大量资金未见实质收益；BCG 2026年研究同时指出，仅5%的企业在规模化创造AI价值。埃森哲2025年生成式AI企业重塑研究亦显示，36%的企业已扩展生成式AI应用，但仅13%创造了显著企业级价值。需要提示的是，三家机构的调研样本、提问口径与「价值」定义各不相同，上述数字不能直接互换比较，但它们共同指向同一判断：实现高价值兑现的企业仍是少数。

图1 企业AI价值兑现光谱

图2 三家机构调研中实现高价值兑现的企业占比

问三：企业AI到底卡在哪一步——部署结构的四组断层

调研的第二个核心事实与部署阶段有关：38%的受访企业仍处于AI试点阶段，35%的企业用AI辅助员工工作（如副驾驶、对话助手等工具），仅12%的企业AI智能体投入生产，而AI承担关键流程大部分工作的企业只有3%。从试点到生产的跨越，构成了当前企业AI最大的断层。

国内调研呈现同构的落差。德勤中国与香港大学人工智能、管理与组织研究中心联合发布的《决策者视角下的企业AI应用》（2026企业AI应用指数，覆盖中国内地及香港205位企业高管）显示，进入生产部署阶段的企业占比已从2025年的56.0%升至64.4%，但真正进入深度使用阶段的企业仅从7.4%升至10.2%；48.5%的受访企业反馈AI项目实际投资回报低于预期，44.4%的企业无法明确核算AI项目的实际投资回报率，60.4%的企业尚未建立体系化的价值衡量框架。埃森哲《2026香港AI指数》（2026年3至4月调研150位香港企业高管）同样发现，仅12%的策略性生成式AI项目真正达到规模化应用。

把镜头拉长看，权威机构对生产化率低企与投入加码并存的判断一致。IDC在2026年10月27日发布的FutureScape 2027年度预测（250项预测覆盖25个研究领域）中预测：到2029年，60%的全球2000强（G2000）企业将让多数业务流程以AI优先方式运行，而2026年这一比例仅为13%；到2028年，70%的G2000企业将具备持续验证AI智能体决策的能力，目前仅为14%。Gartner则预测2026年全球AI支出将达2.7万亿美元，同比增长49.5%，其中AI基础设施为最大支出类别（1.484万亿美元）。

图3 企业AI部署结构断层

图4 全球AI支出预测与G2000企业AI优先进程

问四：为什么模型能力不等于企业效用——被蒙眼的最聪明实习生

对于上述落差，Atlan联合创始人普鲁卡尔帕·桑卡（Prukalpa Sankar）在报告中给出了一个直白的判断：模型的能力与模型在企业内的实际效用之间存在巨大差距。她的表述更进一步——就一切现实意图和目的而言，通用人工智能（AGI）已经到来，只是在今天的大多数公司里，它并不真正有用。

她用了一个比喻来解释这种缺口：没有上下文层的AI，就像雇用了全世界最聪明的实习生，蒙上他的眼睛，然后把他扔进你的组织——能力再强，也不知道这家公司如何运转、该找谁、依据什么做判断。调研数据同样支持这一归因：在Atlan公布的报告数据中，68%的受访组织将治理（含风险与知识产权，35%）、AI不理解业务（19%）、输出不够可靠（14%）三者之一列为最大AI障碍——后两项合计33%，直接指向「AI对企业业务缺乏理解」。

国内从业者的观察与之呼应。德勤中国咨询业务全国主管合伙人华思远在解读前述报告时指出，很多企业把AI和简单的流程自动化混淆，在单个执行动作上花很多精力，但简单步骤对应的数据和知识非常薄，最终陷入在有限数据量中反复追求准确度的困境；神州数码董事长郭为则在2026年世界人工智能大会期间表示，问题不出在数据本身，而出在数据进入组织之后的那段「无人区」。「冰山理论」：企业目光所及的模型效能只占两成，真正决定AI能否从实验室走向生产线的，是水面之下约八成的数据治理工程——数据质量、版本控制、元数据、权限管理与流程整合。

问五：什么是上下文层，行业数据支持吗——概念界定与多源印证

报告给出的答案是「上下文层」（context layer）。按报告定义，上下文层是位于企业业务系统（如记录系统与数据）与其AI平台之间的架构基础设施，它把企业智能转化为受治理的、机器可用的上下文（governed, machine-usable context），供AI智能体或模型调用，并帮助企业知识实现复利。Workday负责企业数据与分析的副总裁乔·多斯桑托斯（Joe DosSantos）在报告中将其概括为：上下文给了AI「找到正确答案的策略」。

值得注意的是，Sankar同时强调落地的节奏约束：这不能是一个为期两年的本体论项目，它需要企业在三个月内拿到业务价值。报告还披露了一个组织层面的发现：在运行或试点智能体的组织中，93%设有明确的AI负责人；没有正式负责人的组织，普遍停留在副驾驶阶段。

这一判断在行业内已有多源印证。模型层面，Gartner在2026年9月的预测中判断生成式AI正处于技术成熟度曲线的幻灭低谷期，企业转而依赖现有软件供应商嵌入的轻量AI功能；在支出结构上，Gartner预计AI智能体与助手市场将从2026年的292亿美元增至2027年的655亿美元，翻倍以上。应用层面，2026年10月9日重庆一场企业AI应用沙龙的报道显示，现场被反复追问的已不是「哪个模型更强」，而是「为什么企业上了AI却停留在内部试用」；千问办公CEO陈宇森在今年云栖大会上的判断被多处转引：大模型是「同一个大脑」，你喂给它的上下文，决定了它先懂谁。该场沙龙形成的共识还包括「先数字化、再智能化，顺序不能反」，以及钉钉、企业微信、飞书等IM平台正被重新定义为「企业上下文的容器」。

厂商动作同样在验证这一趋势：2026年10月28日，Oracle宣布为Autonomous AI Lakehouse推出业务语义层功能，明确将「把AI智能体锚定于业务上下文」并强化跨企业数据资产治理作为卖点。IDC则在FutureScape 2027中预测，到2028年60%的企业将无法把数据转化为可衡量的业务价值，原因正是数据量的增速超过了企业定义与治理数据价值的能力。

问六：企业接下来该做什么——从买模型到建「公司大脑」

综合本次调研与各机构数据，企业侧的行动指向相对清晰。其一，明确责任人：93%的智能体运行或试点组织设有明确的AI负责人，责任缺位的组织普遍停留在副驾驶阶段，组织机制先于技术选型。其二，从知识入手而非流程入手：德勤中国华思远建议把流程节点拉得更长，用AI把散布在不同人脑子里的知识连接起来，而非在单个动作上做自动化替代。其三，先建衡量框架：德勤×港大调研显示60.4%的企业尚未建立体系化的价值衡量框架，没有统一口径就无从判断哪些项目该复制、哪些该收缩。其四，正视上下文建设的长期性——但按Sankar的说法，落地必须以三个月为粒度兑现业务价值，而非以年为单位堆砌本体工程。

宏观背景是，投入端仍在快速加码：Gartner预测2026年全球AI支出2.7万亿美元、同比增长49.5%，2027年将进一步升至3.64万亿美元；IDC预计到2028年企业将把60%的AI工作负载从专有大模型转向开源模型以控制成本。当模型与算力日益成为标准品，企业之间拉开差距的变量，正从「用了哪家模型」转向「AI掌握了多少关于这家公司的知识」——这正是「上下文层」叙事兴起的产业土壤。

需要提示本篇引用调研的边界：MIT TR Insights报告由定制内容部门出品并与Atlan商业合作，调研样本为250位高管，覆盖四大区域、12个行业、年收入1亿美元至50亿美元以上的企业，完整方法论细节未完全公开；本篇引用的BCG、埃森哲、德勤×港大、IDC、Gartner数据分属不同样本与口径，仅作趋势性对照，不构成同一维度的直接比较。在信息边界之内可以确认的是：企业AI的竞争重心正在从模型能力转向企业上下文的供给与治理，谁先把「公司大脑」建起来，谁先兑现AI投资的下半场。